- 頭條采用深度遷移學習技術，定位含直驅風機次同步振蕩源機組的方法2021-06-06 作者：陳劍 杜文娟 王海風 | 來源：《電工技術學報》 | 點擊率：導語隨著新能源電力電子器件的廣泛接入，電力系統次同步振蕩問題的誘發機理越來越復雜。為了能夠及時定位到誘發次同步振蕩的機組并采取措施，新能源電力系統國家重點實驗室（華北電力大學）、四川大學電氣工程學院的研究人員陳劍、杜文娟、王海風，在2021年第1期《電工技術學報》上撰文，基于深度遷移學習提出了一種次同步振蕩源定位的方法。為驗證該方法的有效性，設計了含直驅風機并網的電力系統的仿真系統測試算例。結果表明，該方法相比于傳統的特征值分析方法，具有定位準確率高、在線應用方便等優勢。該方法能夠在較短時間內給出判別結果，為實現振蕩源的在線識別奠定了基礎。
隨著新能源電力電子器件的廣泛接入，電力系統穩定性不斷出現新的挑戰。由早期報道的美國德克薩斯州風電場因風機與串補輸電線路的交互作用而發生次同步振蕩，到2015年新疆哈密地區風電機組在無串補情況下發生的大規模次同步振蕩，風電場引發的次同步振蕩問題偶有出現。電力系統次同步振蕩問題影響范圍廣，已經危害到電力系統安全穩定運行，并且其誘發因素不確定，給抑制措施的制定采取帶來了較大的阻礙。
次同步振蕩問題最早始于1930年的由系統中容性負載或串補線路引發的電氣諧振，而后1970年至1971年，美國Mohave電廠因串補引發的振蕩對兩臺同步機軸系造成了損壞，引發了廣泛關注。近年來，次同步振蕩問題依舊是活躍的話題，諸多學者已經對新能源設備或電力電子器件，如風機、統一潮流控制器、靜止同步補償器等展開了廣泛的研究。
這些研究主要包括：引發電力系統次同步振蕩的機理，次同步振蕩的抑制裝置，附加阻尼控制策略等。其中，機理研究目前廣泛使用的方法有阻抗法與模式法。根據現有的機理分析，次同步振蕩問題主要包括：次同步諧振（SSR），次同步交互作用（SSCI）以及由裝置自身引起的次同步現象（SSTI）。
而次同步振蕩抑制裝置以及附加阻尼控制策略的研究是根據現有的機理分析進行的，例如，當風電場經柔性交流輸電系統聯網時，選擇在柔性交流輸電裝置（如靜止同步補償器、可控串補、靜止無功補償器等）上附加阻尼控制，或在風力發電機控制回路上附加阻尼控制。但大規模的風電場通常含有成百上千臺風機，其類型不盡相同，控制參數各異，在次同步振蕩發生時很難從中確定要采取措施的風機。
在工程實際中，當次同步振蕩發生時甚至發生前希望能夠盡快地確定誘發因素，定位誘發的元件，從而及時采取抑制措施，保證系統的安全穩定運行。因此，識別定位風電場并網系統中次同步振蕩源機組至關重要。其中次同步振蕩源，是指引起次同步振蕩的因素或元件，本次研究中特指由控制環節而引發系統次同步振蕩的風電機組。
近年來，由于新型次同步振蕩問題越來越突出，傳統的模式分析法是通過閉環線性模型，根據系數矩陣計算并找到主導特征根，進而通過該主導特征根對應的參與因子找到引起模式改變的狀態變量確定振蕩源。但這種方法局限于離線分析，且通常系統的規模龐大，模式的計算耗時長。
目前已有學者開始基于廣域測量系統（WAMS）數據實現振蕩源的識別定位，其中能量函數法的應用最為廣泛，在低頻振蕩源識別定位方面獲得了較大的成功，但次同步振蕩相較于低頻振蕩其頻率范圍更寬，振蕩的誘發原因復雜多樣，其振蕩源定位的研究難度較大。
有學者同樣采用能量函數法研究了源最為明確的次同步強迫振蕩擾動源的定位，但該方法僅針對具有阻尼環節的同步機采用能量函數進行了推導分析，而對于由于控制不當引發的風機次同步振蕩的源定位未進行相關分析研究。
有學者提供了根據次/超同步功率和阻抗確定SSCI源的三個標準，基于阻抗法對哈密風電系統的SSCI源實現了定位，但阻抗法本質上是一種數值算法，雖然能夠實現振蕩源定位，但需要根據量測數據在線構造模型，時間上存在較大延遲，很難實現在線應用，并且阻抗法計算時需首先進行頻率分析從而確定諧振頻率點，而諧振頻率點的精確度會影響到次同步振蕩模式的確定。
有學者提出了基于傳播路徑匹配原理的多風電場匯集區域次同步振蕩擾動源的定位方法，通過解析計算了次同步電流在系統中的傳播規律，并與實際分布規律進行對比分析，確定引起振蕩的主導風電場。該方法在計算時也需要先進行頻率分析，這對于頻率范圍較寬的次同步振蕩而言在時效及精度方面都會受到影響。
此外，由于該方法在計算次同步電流在系統中的傳播規律時是基于參數完全已知的確定系統，其模型采用線性化仿真模型，但實際系統在發生振蕩時往往參數不能全部已知，且實際系統獲得的數據由于噪聲等原因與仿真系統差異較大，這可能會影響到該方法的實際應用與可行性。
鑒于此，華北電力大學、四川大學的研究人員引入機器學習建立運行數據與振蕩源的關系，提出一種風電場振蕩源定位方法，從而實現通過運行數據快速定位到相關機組。首先，依據開環模式諧振理論構建仿真系統，并在仿真系統中獲取訓練數據樣本；其次，運用卷積神經網絡（CNN）進行振蕩源特征提取并建立訓練定位模型；最后，通過遷移學習將訓練模型遷移到實際系統，以實現定位模型的應用。
圖1 次同步振蕩源定位方法的具體流程
該方法與上述數值方法相比有以下特點：①機器學習是以歷史數據為基礎的經驗學習，通過離線學習模型，實現在線判斷決策，在判斷速度上具有明顯的優勢，在線應用的擴展上更具有優勢；②機器學習是基于數據特征的學習方法，其框架結構決定了模型具有很強的抗噪性與魯棒性；③機器學習的方法更加智能化，不受限于特定系統或模型，從數據直接提取特征，具有良好的遷移性與泛化性。
圖2 測試系統結構
他們初步對一個簡單的含直驅風機的電力系統由相互作用引發的次同步振蕩問題進行了測試分析，基于深度遷移學習提出了一種用于風電場振蕩源定位的方法，該方法采用訓練系統數據進行離線建模，并遷移到實際系統實現振蕩源的及時定位。通過建立不同的仿真系統對所提出方法進行了驗證分析，結果顯示所提出的次同步振蕩源定位方法能夠有效地將訓練模型遷移到實際系統，并且在多工況下都能保證較高的準確率，具有較強的抗噪能力。
相比于傳統的穩定性分析，該方法不需要進行大規模仿真建模，實現了通過量測數據進行識別定位；相比于阻抗法等需要在線構造學習模型的數值方法，該方法是以歷史數據為基礎的經驗學習，通過離線學習模型，實現在線判斷決策，在判斷速度上具有明顯的優勢。這為實現振蕩源的在線識別定位以及調控奠定了基礎，對實現電力系統的智能化應用有重要意義。
綜上所述，基于深度遷移學習的風電場次同步振蕩源定位方法，初步驗證了人工智能技術在系統振蕩源定位的應用可行性，但該方法在更加復雜的大型風電場中的表現有待進一步研究，應用深度遷移學習進行海量數據建模以及大型風電場的等效小系統構建是未來研究的重點。
以上研究成果發表在2021年第1期《電工技術學報》，論文標題為“采用深度遷移學習定位含直驅風機次同步振蕩源機組的方法”，作者為陳劍、杜文娟、王海風。
